【SIGIR2020】基于知识图谱的公平感知可解释推荐，Fairness-Aware Explainable Recommendation over Knowledge Graphs

题目： Fairness-Aware Explainable Recommendation over Knowledge Graphs

简介： 最近，人们对公平性的考虑日益受到关注，尤其是在智能决策系统中。可解释的推荐系统可能会受到解释偏差和性能差异的困扰。在本文中，我们根据用户的活动水平分析了不同的用户组，发现不同组之间的推荐绩效存在偏差。结果显示由于不活跃用户的培训数据不足，不活跃用户可能更容易收到不满意的推荐，并且由于协作过滤的性质，他们的推荐可能会受到更活跃用户的培训记录的影响，因而受到系统的不公平对待。我们提出了一种启发式重新排序的公平约束方法，以在对知识图的可解释性推荐的背景下减轻这种不公平问题。我们使用基于最新知识图的可解释推荐算法对几个数据集进行了实验，结果表明，我们的算法不仅能够提供高质量的可解释的推荐，而且在几个方面都减少了推荐的不公平性。